一個(gè)風(fēng)雨交加的晚上，領(lǐng)導(dǎo)把我拉到會(huì)議室說(shuō)：老影啊，公司接到一個(gè)項(xiàng)目，需要在3個(gè)月里完成一個(gè)大數(shù)據(jù)平臺(tái)的開(kāi)發(fā)，用于項(xiàng)目的交付，這個(gè)任務(wù)交給你了，加油搞！此刻的我：搞？搞事情啊~~~。由此我開(kāi)始了數(shù)據(jù)平臺(tái)的“闖關(guān)之路”，遇到的第一個(gè)boss就是數(shù)據(jù)集成系統(tǒng)......

01

什么是數(shù)據(jù)集成？

百科里的解釋是：把不同來(lái)源、格式、特點(diǎn)性質(zhì)的數(shù)據(jù)在邏輯上或物理上有機(jī)地集中，從而為企業(yè)提供全面的數(shù)據(jù)共享；通俗講就是把分散在各個(gè)系統(tǒng)中的各種類型的數(shù)據(jù)統(tǒng)一匯聚起來(lái)，主要體現(xiàn)在一個(gè)“集”字。

而數(shù)據(jù)集成系統(tǒng)就是提供數(shù)據(jù)集成能力的平臺(tái)，是一站式解決異構(gòu)數(shù)據(jù)存儲(chǔ)互通，消除數(shù)據(jù)孤島的同步平臺(tái)，為大數(shù)據(jù)各系統(tǒng)和業(yè)務(wù)方提供數(shù)據(jù)集成的高效通道 。

拿現(xiàn)實(shí)中的實(shí)例類比來(lái)說(shuō)，數(shù)據(jù)集成就好比把各種糧食通過(guò)不同的管道灌輸?shù)揭粋€(gè)大糧倉(cāng)中，這些管道就是數(shù)據(jù)集成系統(tǒng)，我們可以支持接入各式各樣的糧食，小麥、玉米、大豆等等，同時(shí)支持在這些管道中加一些濾網(wǎng)，比如在大豆的管道中加上5mm的濾網(wǎng)，此時(shí)從大豆管道過(guò)來(lái)的糧食只有5mm以下的大豆，這就相當(dāng)于數(shù)據(jù)集成系統(tǒng)中的數(shù)據(jù)過(guò)濾功能；這個(gè)糧倉(cāng)相當(dāng)于集成目的，我們把數(shù)據(jù)集成進(jìn)來(lái)之后存儲(chǔ)在這里，供其他各方消費(fèi)。

02

教育為什么要做數(shù)據(jù)集成？

2.1 數(shù)據(jù)大爆炸

現(xiàn)在是一個(gè)信息大爆炸時(shí)代，互聯(lián)網(wǎng)的高速發(fā)展、迅速普及，讓信息無(wú)處不在、無(wú)孔不入，每天在我們所生活在的這個(gè)世界出現(xiàn)了大量的信息，教育場(chǎng)景下也不例外，隨著各種信息化系統(tǒng)的涌入，信息以空前的速度增長(zhǎng)，教育從業(yè)者體驗(yàn)著信息時(shí)代便捷的同時(shí)，也給他們帶來(lái)了問(wèn)題和“副作用”，從浩如煙海的信息海洋中迅速而準(zhǔn)確地獲取他們最需要的信息，變得非常困難。

2.2 數(shù)據(jù)來(lái)源多樣化

隨著《教育信息化2.0行動(dòng)計(jì)劃》的提出，教學(xué)過(guò)程中的信息化系統(tǒng)越來(lái)越多，比如作業(yè)系統(tǒng)、考試系統(tǒng)、選課系統(tǒng)、智慧課堂等等，每個(gè)系統(tǒng)都會(huì)產(chǎn)生大量的數(shù)據(jù)，存儲(chǔ)在各自的數(shù)據(jù)庫(kù)中，如果系統(tǒng)的服務(wù)商不同，可能數(shù)據(jù)的格式也不一樣，致使教育場(chǎng)景下的數(shù)據(jù)越來(lái)越多，越來(lái)越難以管理。

2.3 數(shù)據(jù)集不同結(jié)構(gòu)

教育場(chǎng)景下的數(shù)據(jù)集可能是結(jié)構(gòu)化的、半結(jié)構(gòu)化的，甚至非結(jié)構(gòu)化的；比如：考試系統(tǒng)中的數(shù)據(jù)是結(jié)構(gòu)化的，評(píng)價(jià)系統(tǒng)中的數(shù)據(jù)是半結(jié)構(gòu)化的，課堂實(shí)錄中的數(shù)據(jù)是非結(jié)構(gòu)化的；不同結(jié)構(gòu)的數(shù)據(jù)需要整合成統(tǒng)一的結(jié)構(gòu)才能夠進(jìn)行統(tǒng)計(jì)和分析。

2.4 數(shù)據(jù)冗余

數(shù)據(jù)中有很多冗余、錯(cuò)誤、敏感數(shù)據(jù)，如果不進(jìn)行數(shù)據(jù)清洗，會(huì)影響數(shù)據(jù)分析的效率和結(jié)果；在這種情況下需要我們配置統(tǒng)一的標(biāo)準(zhǔn)，對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的處理，以便于后續(xù)進(jìn)行統(tǒng)計(jì)分析。

03

數(shù)據(jù)集成系統(tǒng)對(duì)教育的價(jià)值是什么？

大數(shù)據(jù)技術(shù)能夠?qū)㈦[藏于海量數(shù)據(jù)中的信息和知識(shí)挖掘出來(lái)，按照科學(xué)的教育評(píng)價(jià)準(zhǔn)則，對(duì)教學(xué)數(shù)據(jù)進(jìn)行科學(xué)的統(tǒng)計(jì)分析，提供有價(jià)值的教學(xué)質(zhì)量測(cè)評(píng)與分析數(shù)據(jù)，實(shí)現(xiàn)對(duì)教育活動(dòng)，教育過(guò)程和教育結(jié)果的價(jià)值評(píng)判，為提高教育質(zhì)量，教育決策以及學(xué)校改進(jìn)日常教學(xué)方法提供科學(xué)的依據(jù)，實(shí)現(xiàn)教育管理的智能化，提升教育管理與服務(wù)水平。

數(shù)據(jù)集成系統(tǒng)作為底層基礎(chǔ)支撐性服務(wù)，是大數(shù)據(jù)系統(tǒng)的核心組成部分。通過(guò)提供數(shù)據(jù)集成能力，將教育各部門(mén)和來(lái)自互聯(lián)網(wǎng)的結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行統(tǒng)一的匯聚接入，存儲(chǔ)到大數(shù)據(jù)存儲(chǔ)組件，并支持?jǐn)?shù)據(jù)的預(yù)處理，為大數(shù)據(jù)系統(tǒng)提供原始數(shù)據(jù)支撐。

04

數(shù)據(jù)集成系統(tǒng)怎么做？

4.1 建設(shè)原則

• 數(shù)據(jù)采集系統(tǒng)針對(duì)實(shí)際項(xiàng)目中復(fù)雜的、異構(gòu)的數(shù)據(jù)環(huán)境，實(shí)現(xiàn)對(duì)多種數(shù)據(jù)源的集成，支持的關(guān)系數(shù)據(jù)庫(kù)有Oracle、MySQL、Sqlserver等，支持的文件類型有txt文件、csv文件、excel文件等，支持的接口類型有webservice接口、http接口、socket接口等。
• 對(duì)于不同的大數(shù)據(jù)存儲(chǔ)需求，實(shí)現(xiàn)對(duì)多種大數(shù)據(jù)存儲(chǔ)組件的支持，支持的大數(shù)據(jù)存儲(chǔ)組件包括HDFS、HBase、Hive、Solr、Elasticserach等。
• 針對(duì)數(shù)據(jù)的預(yù)處理需求，實(shí)現(xiàn)對(duì)數(shù)據(jù)的清洗、轉(zhuǎn)換、標(biāo)準(zhǔn)化等預(yù)處理的支持，并且支持清洗規(guī)則、轉(zhuǎn)換規(guī)則的用戶自定義，以及清洗、轉(zhuǎn)換、導(dǎo)入流程的用戶自定義。
• 在數(shù)據(jù)采集系統(tǒng)中，各類功能點(diǎn)模塊化、組件化，便于步驟獨(dú)立，保證系統(tǒng)內(nèi)部模塊自治，同時(shí)便于多種步驟、方法的組合應(yīng)用。
• 簡(jiǎn)化用戶操作，通過(guò)圖形化的配置方式，簡(jiǎn)單，靈活，使得用戶無(wú)需過(guò)分關(guān)心數(shù)據(jù)庫(kù)的各種內(nèi)部細(xì)節(jié)，而專注于功能。

4.2 數(shù)據(jù)集成信息框架

數(shù)據(jù)集成信息流

4.3 功能結(jié)構(gòu)

為了快速實(shí)現(xiàn)數(shù)據(jù)集成系統(tǒng)，滿足后續(xù)項(xiàng)目交付，經(jīng)過(guò)和研發(fā)大佬的多次溝通，優(yōu)先實(shí)現(xiàn)為業(yè)務(wù)提供數(shù)據(jù)集成的能力的數(shù)據(jù)源管理和集成任務(wù)管理。明確了第一版需求，只要包含數(shù)據(jù)源管理和集成任務(wù)管理就可以支持項(xiàng)目交付，因此功能結(jié)構(gòu)設(shè)計(jì)如下：

數(shù)據(jù)集成系統(tǒng)功能結(jié)構(gòu)圖

4.4 建設(shè)內(nèi)容

4.4.1 數(shù)據(jù)源管理

數(shù)據(jù)源模塊主要管理平臺(tái)支持的數(shù)據(jù)組件的基礎(chǔ)信息，包含各種數(shù)據(jù)組件的新增，配置和管理，如關(guān)系型數(shù)據(jù)庫(kù)的數(shù)據(jù)庫(kù)IP，端口，訪問(wèn)信息等。這里大家可以理解為一個(gè)中間層，先通過(guò)數(shù)據(jù)抽取組件將各系統(tǒng)數(shù)據(jù)抽取到這里，以備后續(xù)集成任務(wù)管理模塊的調(diào)用。

• 在這里可以對(duì)數(shù)據(jù)源進(jìn)行增刪改查
• 前提是需要和數(shù)據(jù)來(lái)源方溝通好，需要提供數(shù)據(jù)庫(kù)ip相關(guān)信息
• 下方是頁(yè)面示例：

數(shù)據(jù)源管理列表

4.4.2 集成任務(wù)管理

當(dāng)用戶創(chuàng)建好數(shù)據(jù)源之后，需要有一個(gè)模塊支持用戶創(chuàng)建集成任務(wù)，相當(dāng)于上文中講到的，上游的所有糧食都準(zhǔn)備好了，需要我們提供搭建管道的地方，讓用戶把所有的管道搭起來(lái)，然后把各種糧食都匯聚到一起。此時(shí)集成任務(wù)管理模塊誕生了，這個(gè)模塊下主要對(duì)數(shù)據(jù)集成的任務(wù)進(jìn)行統(tǒng)一的管理，支持用戶對(duì)數(shù)據(jù)集成任務(wù)進(jìn)行增刪改查.

（1）操作列表功能

• 上線：

  集成任務(wù)完成創(chuàng)建狀態(tài)默認(rèn)為未上線，此時(shí)用戶可將集成任務(wù)上線，上線為就緒狀態(tài)；

• 運(yùn)行：

  上線狀態(tài)下的任務(wù)支持運(yùn)行，運(yùn)行自動(dòng)調(diào)用任務(wù)執(zhí)行組件，開(kāi)始數(shù)據(jù)集成；

• 下線：

  已上線的任務(wù)支持下線；

• 刪除：

  未上線和已下線的任務(wù)支持刪除；

• 編輯：

  未上線和已下線的任務(wù)支持編輯。

（2）任務(wù)運(yùn)行

• 集成任務(wù)創(chuàng)建好之后，如果需要周期性的拉取數(shù)據(jù)，這時(shí)候需要支持進(jìn)行例行周期配置，支持用戶配置定時(shí)任務(wù)；
• 同時(shí)支持用戶進(jìn)行失敗策略、任務(wù)執(zhí)行優(yōu)先級(jí)等相關(guān)參數(shù)的配置。

4.4.3 新增集成任務(wù)

為了方便用戶填寫(xiě)，支持用戶選擇不同的數(shù)據(jù)源類型，數(shù)據(jù)接口類型不同，需要配置的參數(shù)信息也不同；但是總體來(lái)說(shuō)數(shù)據(jù)集成主要分為三步：

• 數(shù)據(jù)接入：

  回答數(shù)據(jù)從哪來(lái)的問(wèn)題；

• 數(shù)據(jù)處理：

  回答對(duì)數(shù)據(jù)要做什么的問(wèn)題；

• 數(shù)據(jù)輸出：回答數(shù)據(jù)要到哪去的問(wèn)題。

下方以將第三方數(shù)據(jù)庫(kù)數(shù)據(jù)集成到hive中為例舉例說(shuō)明。選擇數(shù)據(jù)庫(kù)之后，頁(yè)面進(jìn)入數(shù)據(jù)集成任務(wù)配置頁(yè)，三個(gè)步驟依次如下：

（1）數(shù)據(jù)接入

主要配置數(shù)據(jù)源相關(guān)信息，需要用戶填寫(xiě)數(shù)據(jù)源表相關(guān)信息：

• 數(shù)據(jù)源：

  數(shù)據(jù)集群相關(guān)信息；

• 數(shù)據(jù)庫(kù)：

  源數(shù)據(jù)存儲(chǔ)數(shù)據(jù)庫(kù)；

• 是否分表：

  如果分表存儲(chǔ)需要從多個(gè)表抽取數(shù)據(jù)；

• 表名：

  源數(shù)據(jù)所在表名；

• 數(shù)據(jù)歸屬產(chǎn)品/系統(tǒng)：

  這部分?jǐn)?shù)據(jù)在目錄管理系統(tǒng)維護(hù)，這里直接引用；

• 數(shù)據(jù)預(yù)覽：

  支持用戶對(duì)所選表進(jìn)行預(yù)覽，查看數(shù)據(jù)格式。

（2）數(shù)據(jù)處理

到在數(shù)據(jù)集成過(guò)程中會(huì)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，考慮到后續(xù)的擴(kuò)展性，這里直接將各種處理步驟提煉為公共組件，支持用戶自定義選擇，第一期可支持：字段映射過(guò)濾、賬號(hào)匹配、數(shù)據(jù)脫敏、數(shù)據(jù)轉(zhuǎn)換；

為了節(jié)省操作，數(shù)據(jù)處理默認(rèn)以字段映射過(guò)濾開(kāi)始，自動(dòng)選擇一項(xiàng)，用戶可直接點(diǎn)擊下一步。

（3）數(shù)據(jù)輸出

此時(shí)的數(shù)據(jù)經(jīng)過(guò)預(yù)處理，已經(jīng)完成了清洗、轉(zhuǎn)換的操作，接下來(lái)就需要將處理完的數(shù)據(jù)存下來(lái)，以備后續(xù)使用。

05

數(shù)據(jù)集成結(jié)束后做什么？

下面以學(xué)生畫(huà)像的思路和大家簡(jiǎn)單聊聊。

通過(guò)從各個(gè)系統(tǒng)中采集過(guò)來(lái)的數(shù)據(jù)，包含但不限于：學(xué)生上網(wǎng)數(shù)據(jù)、網(wǎng)頁(yè)瀏覽時(shí)長(zhǎng)、作業(yè)完成數(shù)據(jù)、作業(yè)完成時(shí)長(zhǎng)、課堂互動(dòng)數(shù)據(jù)等等，幫助學(xué)校管理者針對(duì)學(xué)生群體進(jìn)行標(biāo)簽化分析。幫助教育管理者從學(xué)習(xí)，網(wǎng)絡(luò)行為，生活等多維度分析學(xué)生群體的習(xí)慣和特點(diǎn)，為學(xué)校實(shí)現(xiàn)個(gè)性化培養(yǎng)教育提供數(shù)據(jù)支撐。